論文の概要: eegFloss: A Python package for refining sleep EEG recordings using machine learning models

• arxiv url: http://arxiv.org/abs/2507.06433v1
• Date: Tue, 08 Jul 2025 22:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.409276
• Title: eegFloss: A Python package for refining sleep EEG recordings using machine learning models
• Title（参考訳）: eegFloss: 機械学習モデルを用いた睡眠脳波記録の精製のためのPythonパッケージ
• Authors: Niloy Sikder, Paul Zerr, Mahdad Jafarzadeh Esfahani, Martin Dresler, Matthias Krauledat,
• Abstract要約: 本稿では,eegUsability(eegUsability)を利用したオープンソースのPythonパッケージであるeegFlossを紹介した。 EegUsabilityは、Zmaxヘッドバンドを使用して127晩にわたって15人の参加者から収集された、手動でアーチファクトラベルのEEGデータに基づいて訓練され、評価されている。 eegFlossは分析の精度と厳密さ、結果の正確さと信頼性を高めることができる。
• 参考スコア（独自算出の注目度）: 0.559239450391449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) allows monitoring of brain activity, providing insights into the functional dynamics of various brain regions and their roles in cognitive processes. EEG is a cornerstone in sleep research, serving as the primary modality of polysomnography, the gold standard in the field. However, EEG signals are prone to artifacts caused by both internal (device-specific) factors and external (environmental) interferences. As sleep studies are becoming larger, most rely on automatic sleep staging, a process highly susceptible to artifacts, leading to erroneous sleep scores. This paper addresses this challenge by introducing eegFloss, an open-source Python package to utilize eegUsability, a novel machine learning (ML) model designed to detect segments with artifacts in sleep EEG recordings. eegUsability has been trained and evaluated on manually artifact-labeled EEG data collected from 15 participants over 127 nights using the Zmax headband. It demonstrates solid overall classification performance (F1-score is approximately 0.85, Cohens kappa is 0.78), achieving a high recall rate of approximately 94% in identifying channel-wise usable EEG data, and extends beyond Zmax. Additionally, eegFloss offers features such as automatic time-in-bed detection using another ML model named eegMobility, filtering out certain artifacts, and generating hypnograms and sleep statistics. By addressing a fundamental challenge faced by most sleep studies, eegFloss can enhance the precision and rigor of their analysis as well as the accuracy and reliability of their outcomes.
• Abstract（参考訳）: 脳波(EEG)は脳活動のモニタリングを可能にし、様々な脳領域の機能的ダイナミクスと認知過程におけるそれらの役割についての洞察を提供する。 脳波は睡眠研究の基盤であり、この分野における金の標準であるポリソノグラフィーの主要なモダリティとして機能している。 しかし、脳波信号は、内部(デバイス固有の)要因と外部(環境)の干渉によって引き起こされるアーティファクトに傾向がある。 睡眠研究が大きくなるにつれて、ほとんどの場合、人工物に非常に影響を受けやすい自動睡眠ステージングに依存し、誤った睡眠スコアにつながる。 本稿では,eegUsability(eegUsability)を利用したオープンソースのPythonパッケージであるeegFlossを導入することで,この課題に対処する。 EegUsabilityは、Zmaxヘッドバンドを使用して127晩にわたって15人の参加者から収集された、手動でアーチファクトラベルのEEGデータに基づいて訓練され、評価されている。 ソリッドな全体分類性能(F1スコアは約0.85、Cohens kappaは0.78)を示し、チャネルワイドで使用可能なEEGデータの識別において約94%のリコール率を達成し、Zmaxを超えて拡張する。 さらに、eegFlossは、eegMobilityと呼ばれる別のMLモデルを使用した自動タイムインベッド検出、特定のアーティファクトのフィルタリング、ハイプノグラムとスリープ統計の生成などの機能を提供する。 多くの睡眠研究で直面する根本的な課題に対処することで、eegFlossは分析の正確さと厳密さ、結果の正確さと信頼性を高めることができる。

関連論文リスト

• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms [5.3125934435880895]
  脳波(EEG)のアーチファクトは信号品質を低下させ、脳活動の解析に影響を及ぼす。 睡眠中のアーティファクトを検出する現在の方法は、手動による介入を必要とする単純なしきい値ベースのアルゴリズムに依存している。 コンボリューションブロックアテンションモジュール(CNN-CBAM)を組み込んだ畳み込みニューラルネットワーク(CNN)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-11T11:57:06Z)
• MobileNetV2: A lightweight classification model for home-based sleep apnea screening [3.463585190363689]
  本研究は、心電図(ECG)と呼吸信号から抽出した特徴を早期OSAスクリーニングに利用した、新しい軽量ニューラルネットワークモデルを提案する。 ECG信号は睡眠段階を予測するための特徴スペクトログラムを生成するのに使用され、呼吸信号は睡眠関連呼吸異常を検出するために用いられる。 これらの予測を統合することで、AHI(apnea-hypopnea index)を精度良く算出し、OSAの正確な診断を容易にする。
  論文  参考訳（メタデータ） (2024-12-28T01:37:25Z)
• Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
  本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。 最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
  論文  参考訳（メタデータ） (2021-07-23T06:37:38Z)
• Sleep Staging Based on Serialized Dual Attention Network [0.0]
  生の脳波に基づく深層学習モデルSDANを提案する。 チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。 他の方法と比較して、N1睡眠期において優れた結果が得られる。
  論文  参考訳（メタデータ） (2021-07-18T13:18:12Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• Automatic detection of microsleep episodes with deep learning [55.41644538483948]
  15秒未満の睡眠の短い断片は、マイクロスリープエピソード(MSEs)として定義される 覚醒検査(MWT)の維持は、警戒を評価するために臨床現場でしばしば用いられる。 MSEは、MSEを定義する確立された評価基準が欠如しているため、ほとんど考慮されていない。 入力として生の脳波とEOGデータに基づいて機械学習を用いてMSEを自動的に検出することを目的とした。
  論文  参考訳（メタデータ） (2020-09-07T11:38:40Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。